dms

构造请求 首先构造请求，也就是要对哪个具体接口进行访问，需要提供什么必要的参数。在构造请求 （点击查看 中可以看到，对 DMS 服务来说必要的请求构成包括以下部分 请求URI，例如 https://dms.cn-north-1.myhuaweicloud.com/v1.0/{project_id}/queues/{quque_id} （不同区域的Region部分不同） 请求方法，如 "GET"、"POST" 请求消息头，必选的是 "Content-Type"，规定了消息体的格式，默认取值 "application/json"，即消息体 "Body" 以 Json 格式提交 请求消息体，有的接口需要，有的接口不需要 准备参数 以接口查看指定队列（ 点击查看 ）为例 请求URI： https://dms.cn-north-1.myhuaweicloud.com/v1.0/{project_id}/queues/{quque_id} 请求方法："GET" 请求消息体：无 project_id：项目ID，去统一身份认证的项目中根据区域不同查找 queue_id：要访问的队列ID，去控制台点开该队列查看 AK/SK：秘钥对，在统一身份认证内的用户的安全设置功能中管理，是生成签名的必需参数 计算签名 以AK/SK签名认证算法详解( 点击查看 )为标准，编写算法或使用 SDK

什么是消息队列？ 消息队列是在消息的传输过程中保存消息的容器，用于接收消息并以文件的方式存储，一个队列的消息可以同时被多个消息消费者消费。 分布式消息服务DMS 则是分布式的队列系统，消息队列中的消息分布存储，且每条消息存储多个副本，以实现高可用性，如下图所示。 一般来说，消息队列具有如下属性： 消息顺序 普通队列支持“分区有序”和“全局队列”两种模式，ActiveMQ队列和Kafka队列均为分区有序。 分区有序的队列通过分布式处理，支持更高的并发，但由于队列的分布式特性，DMS无法保证能够以接收消息的精确顺序进行消费。如果用户要求保持顺序，建议在每条消息中放置排序信息，以便在收到消息时对消息重新排序。 全局有序的队列对消息消费遵循先入先出规则（FIFO），适用于对消费顺序要求较高的场景。 至少一次传递 在极少数情况下，当用户接收或删除消息时，存储消息副本的服务器之一可能不可用。如果出现这种情况，则该不可用服务器上的消息副本将不会被删除，并且在接收消息时可能会再次获得该消息副本。 这被称为“至少一次传递”，因此，用户的应用程序应该设计为幂等的应用程序（即，如果应用程序多次处理同一条消息，则不得受到不利影响）。 消息较少时单次消费不能获取指定数量的消息 从消息队列中消费消息时，DMS每次从部分消息存储分区中读取消息返回消息给消费者，如果队列中的消息数比较少

将数据从一种数据库迁移到另一种数据库通常都非常具有挑战性，特别是考虑到数据一致性、应用停机时间、以及源和目标数据库在设计上的差异性等因素。这个过程中，运维人员通常都希望借助于专门的数据迁移（复制）工具来降低操作的复杂性和对业务的影响。AWS数据迁移服务（AWS DMS）可帮助AWS用户快速、安全、无缝地将MongoDB、Oracle、MySQL和Microsoft SQL Server等数据库迁移到AWS。 源数据库在迁移期间仍然可以运行，因此最大程度地减少了依赖于数据库的应用程序的停机时间。 MongoDB是一个流行的跨平台的面向文档的NoSQL数据库，拥有非常多的应用场景和很大的用户群体。但是某些情况下用户需要将MongoDB迁移或者复制到关系数据库，比如将文档数据从MongoDB复制到MySQL来进行复杂关连分析处理，或者由于在数据库选型方面分析不够，错选了数据库类型而需要迁移到关系数据库。 在本文中，我们将讨论将MongoDB 4.0数据平滑迁移到Amazon Aurora MySQL兼容版的方法。Amazon Aurora 是一种与 MySQL 和 PostgreSQL 兼容的关系数据库，专为云而打造，既具有传统企业数据库的性能和可用性，又具有开源数据库的简单性和成本效益。本文中描述的方法使用AWS DMS转换源数据，近乎零停机时间来执行迁移。 设置MongoDB 4

摘要： 数据库拆分后，数据分布到不同的数据库实例，可达到降低数据量，增加实例数的扩容目的。然而前途是美好的，道路是曲折的。一旦涉及拆分，就逃不开“原本在同一数据库里的查询，要变成跨两个数据库实例”的查询问题。 导读 日前，某电商用户由于业务发展迅猛，访问量极速增长，导致数据库容量及性能遭遇瓶颈。为降低数据库大小，提升性能，用户决定对架构进行垂直拆分。根据不同的表来进行拆分，对应用程序的影响也更小，拆分规则也会比较简单清晰。 该用户按照会员、商品、订单，将数据垂直拆分至三个数据库，分库后数据分布到不同的数据库实例，以达到降低数据量，增加实例数的扩容目的。然而前途是美好的，道路是曲折的。 一旦涉及拆分，就逃不开“原本在同一数据库里的查询，要变成跨两个数据库实例”的查询问题 。 单库时，系统中很多列表和详情页所需数据可以简单通过SQL join关联表查询；而拆库后，拆分后的数据可能分布在不同的节点/实例上，不能跨库使用join，此时join带来的问题就很棘手了。 例如：业务中需要展示某个品类商品的售卖订单量，现在订单数据和商品数据分布在两个独立的数据库实例中，业务上要怎么进行关联查询？ 用户首先想到的方法是，对现有业务代码进行重构，分别从两个数据库查询数据，然后在业务代码中进行join关联。那么问题来了，如果采用这个解决方案，业务上那么多查询改造起来，拆分难度极大，操作起来过于复杂

前言 之前有提到过阿里云的数据管理，也就是阿里云的RDS管理工具， 详情 。由于自己比较喜欢带 GUI 的管理工具，所以之前一直使用 phpMyAdmin，不过呢，要是不使用 PHP 环境，像安装一个 Ghost 博客就完全用不到 PHP 环境，这时候就很尴尬了。这时候我就想起了 DMS。 这里将介绍安装 MariaDB 并设置使用 DMS 的姿势。 准备 云翼计划 学生用户可以在阿里云官网上进行学生认证后购买一定配置的ECS，仅需9.9元每月，学生用户无需担心花费过多用在服务器的问题。 学生用户在经过学生认证过后就可以在相关网址进行购买，网址为： https://promotion.aliyun.com/ntms/campus2017.html， 买好了服务器就可以去刚刚注册好的账号管理里的管理控制台去查看服务器以及它的一些配置。 远程控制 可以参考如下教程做好准备： 【云计算的1024种玩法】使用 DMS 只要一个浏览器轻松搞定运维任务 【云计算的1024种玩法】ECS和轻量应用服务器的远程控制入门 安装 详细的安装和管理的教程请参考： Ubuntu 安装 MariaDB Server ，这就简述一下。 适用于： Ubuntu 14.04 LTS (trusty) 支持安装 5.5～最新 Ubuntu 16.04 LTS (xenial) 支持安装 10.0～最新 教程以 10

#必须是u类型==================u==================== by gisoracle def dmstod(dms): #arcpy.AddMessage("======================gisoracle==========="+dms+"==============================") try: p = dms.find('°') if p<0: return str(dms) #arcpy.AddMessage("p="+str(p)) d=string.atof(dms[0:p].strip()) #arcpy.AddMessage("d="+str(d)) p1=dms.find('′') #arcpy.AddMessage("p1="+str(p1)) if p1<0: p1=dms.find("'") f=0 # if p1>0: f=string.atof(dms[p+1:p1].strip()) else: p1=p #arcpy.AddMessage("f="+str(f)) p2=dms.find('″') if p2<0: p2=dms.find('"') #arcpy.AddMessage("p2="+str(p2)) s=0 # if p2>0: s=string.atof(dms[p1+1

脑电图一般用于心理学与脑科学、体育科学、神经康复、经济学、管理学、传播学、语言学、工业设计、可用性测试、MEG/EEG、TMS/EEG、fMRI/EEG、脑机接口等各种领域，是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。常规脑电图、动态脑电图监测、视频脑电图监测。 而交通运输行业是危险行业，大部分交通事故的发生都是因为疲劳驾驶行为引起的，目前解决疲劳驾驶行为的有国家115号文件，各地有苏标、陕标等主动防御安全设备，驾驶员不安全行为分析功能，简称DMS，驾驶员监控系统，可以检测驾驶员的抽烟、打瞌睡、打哈欠、打电话等。但是对疲劳驾驶行为只能做到图像识别，图像识别有一定的误报率。 通下图中中驾驶员戴的帽子就能看出，脑电帽结合手环心率技术，可以侦测驾驶员的脑电波和心率，结合dms技术，给道路运输安全驾驶做了一层防护，dms技术对表象进行观测，脑电技术对“内在”现象进行检测，做到双管齐下，对安全事故的发生有做了一层预防措施。下图就是目前正在运行的脑电检测平台运行图： 下图是脑电历史曲线图，可以实时看到脑电变化，也可以回溯查看历史时间段内的脑电变化情况： 来源： oschina 链接： https://my.oschina.net/u/3528190/blog/3130841